Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
CatBoost implementa un algoritmo convencional de árbol de decisiones para impulsar el gradiente (GBDT) con la adición de dos avances algorítmicos fundamentales:
La implementación de la potenciación ordenada, una alternativa al algoritmo clásico basada en permutaciones
Un algoritmo innovador para procesar características categóricas
Ambas técnicas se crearon para combatir un cambio de predicción provocado por un tipo especial de fuga de objetivo presente en todas las implementaciones actuales de algoritmos de potenciación por gradiente.
El CatBoost algoritmo tiene un buen rendimiento en las competiciones de aprendizaje automático debido a su buen manejo de una variedad de tipos de datos, relaciones y distribuciones y a la diversidad de hiperparámetros que se pueden ajustar con precisión. Se puede utilizar CatBoost para problemas de regresión, clasificación (binaria y multiclase) y clasificación.
Para obtener más información sobre la potenciación por gradiente, consulte Cómo funciona el XGBoost algoritmo de SageMaker IA. Para obtener información detallada sobre las técnicas adicionales de GOSS y EFB utilizadas en el CatBoost método, consulte CatBoost: aumento imparcial